Application of machine learning methods for analyzing nondestructive testing data

Abstract

L'étude de la détermination du profil des défauts dans les structures métalliques en utilisant les techniques de contrôle non destructif (CND) continue d'être extrêmement pertinente dans le scénario actuel, principalement dans la gestion du coût, de l'efficacité et de la sécurité des composants de l'industrie. L'objectif principal de ce travail consiste à la caractérisation des fissures. Dans ce travail, le système de mesure est basé sur le contrôle par courants de Foucault (CF), qui est une technique de CND bien établie et fiable utilisée dans plusieurs domaines. Des tests expérimentaux ont été réalisés à l'aide d'une bobine d'excitation pilotée par un courant sinusoïdal à amplitude fixe, à proximité d’une plaque, générant un champ magnétique associé. Ainsi, les courants de Foucault sont induits dans l'échantillon de métal et créent un champ magnétique secondaire. La présence de fissures change la voie normale des courants de Foucault. Une base de données basée sur une analyse expérimentale et une modélisation d'éléments finis permettait de construire un modèle direct 3D. Grâce à cette base de données, nous étudions différentes méthodes d'apprentissage automatique pour reconstruire la longueur et la profondeur du défaut, afin d'obtenir une caractérisation de la fissure qui mène à la résolution du problème inverse.